И.В. Степанян1, С.С. Гроховский2, О.В. Кубряк3

1 ИМАШ РАН им. А.А. Благонравова (Москва, Россия)

2 Исследовательский центр МЕРА (Москва, Россия)

3 НИИ нормальной физиологии им. П.К. Анохина (Москва, Россия)

Постановка проблемы. Стабилометрия – современный метод оценки функционального состояния человека по способности поддерживать устойчивое равновесие вертикальной позы. Метод стабилометрии заключается в измерении с помощью специализированных устройств значений, составляющих реакции опоры с последующим определением по данным этих измерений координат центра давления тела на опору. Характер миграций центра давления за время стабилометрического исследования является источником информации об особенностях процессов постурального регулирования. При этом существует проблема корректности трактовки результатов стабилометрии. Адекватность выводов в значительной степени определяется человеческим фактором, т.е. квалификацией специалиста, анализирующего данные стабилометрии. Таким образом, на взгляд авторов, задача объективизации оценки результатов стабилометрии является актуальной.

Цель. Исследовать возможности применения метода нейрокластеризации с использованием самоорганизующихся нейронных сетей для объективизации анализа данных стабилометрии.

Результаты. Рассмотрен анализ структуры индивидуальных и групповых стабилометрических данных путем их кластеризации с использованием самоорганизующихся нейронных карт Кохонена с евклидовой метрикой. Метод нейрокластеризации позволил проанализировать особенности стабилограммы испытуемых, участвовавших в эксперименте, и выявить вызывающие настороженность состояния испытуемых, требующие дополнительного медицинского обследования.

Практическая значимость. Нейрокластеризация стабилометрических данных в автоматическом режиме (без участия человека) выявляет типовую принадлежность групп испытуемых, соответствующую норме или патологии, различным ее видам, а также индивидуальным биометрическим особенностям испытуемых. Последующий анализ индивидуальных особенностей данных испытуемых, сгруппированных таким образом, позволяет обнаруживать отклонения, свидетельствующие о наличии аномалий или формировании различных патологических состояний, что может быть полезным для ранней диагностики заболеваний.

Степанян И.В., Гроховский С.С., Кубряк О.В. Метод нейрокластеризации данных стабилометрии // Нейрокомпьютеры: разработка, применение. 2021. T. 23. № 3. С. 15−24. DOI: https://doi.org/10.18127/j19998554-202103-02

1. Иванова Г.Е. и др. Формирование консенсуса специалистов в применении стабилометрии и биоуправления по опорной реакции // Вестник восстановительной медицины. 2019. № 1. С. 16–21.
2. Бабанов Н. Д. и др. Динамика параметров малоамплитудных движений рук при повторяющейся двигательно-когнитивной задаче // Российский физиологический журнал им. ИМ Сеченова. 2020. Т. 106. № 11. С. 1370–1384.
3. Duarte M., Zatsiorsky V.M. Patterns of center of presure migration during prolonged unconstrained standing // Motor Control. 1999. V. 3. № 1. P. 12–27.
4. Hansen C. et al. Center of pressure based segment inertial parameters validation // PloS one. 2017. V. 12. № 6. Article E0180011.
5. Stepanyan I.V., Mekler A. A. Chaotic Algorithms of Analysis of Cardiovascular Systems and Artificial Intelligence // International Conference of Artificial Intelligence, Medical Engineering, Education. Springer, Cham. 2019. P. 231–240.
6. Paillard T., Noé F. Techniques and methods for testing the postural function in healthy and pathological subjects // BioMed research international. 2015. V. 2015. Article ID 891390.
7. Fey A., Sommer D., Golz M. Comparison of Time and Spectral Domain Features on Postural Signals Utilizing Neural Networks // Proc 1st Int Workshop Biosignal Processing and Classification. 2005. P. 42–49.
8. Golz M. et al. Discriminance analysis of postural sway trajectories with neural networks // Proceedings of the 8th World MultiConference on Systemics, Cybernetics and Informatics, Orlando, Florida USA. 2004. V. 7. P. 151–155.
9. Peterka R.J. Postural control model interpretation of stabilogram diffusion analysis // Biological cybernetics. 2000. V. 82. № 4.  P. 335–343.
10. Garkavenko V.V. et al. Modifications of the stabilogram during upright standing posture under conditions of inclines of the support surface // Neurophysiology. 2012. V. 44. №. 2. P. 131–137.
11. Tokita T. et al. Classification of stabilograms in healthy subjects using neural network // Equilibrium Research. 2001. V. 60. № 3.  P. 181–187.
12. Tokita T. et al. Discrimination of Stabilograms by a Neural Network in Patients with Equilibrium Disturbances // Equilibrium Research. 1997. V. 56. № 6. P. 542–549.
13. Araujo E., Bentes G.E.F., Zangaro R. Body sway and global equilibrium condition of the elderly in quiet standing posture by using competitive neural networks // Applied Soft Computing. 2018. V. 69. P. 625–633.
14. Kohonen T. Self-organizing maps. Springer Science & Business Media. 2012. V. 30.
15. Sola J., Sevilla J. Importance of input data normalization for the application of neural networks to complex industrial problems // IEEE Transactions on nuclear science. 1997. V. 44. № 3. P. 1464–1468.
16. Shkundin S., Stepanian I. Detecting dust occupational lung pathology by neural network algorithms for acoustical spirometry data recognition. 12th Internat. Symposium on Environmental Issues and Waste Management in Energy and Mineral Production (SWEMP 2010). Prague, Czech Republic. P. 494–505.